Large language models' responses to liver cancer surveillance, diagnosis, and management questions: accuracy, reliability, readability.
大型語言模型對於肝癌監測、診斷和管理問題的回應：準確性、可靠性、可讀性。 Abdom Radiol (NY) 2024-08-01

這項研究評估了三個大型語言模型—ChatGPT-3.5、Gemini 和 Bing—在肝細胞癌診斷與管理問題上的表現。每個模型回答了二十個問題，並由六位專業醫師評估其準確性和可讀性。結果顯示，ChatGPT 準確回答 9 題（45%），Gemini 12 題（60%），Bing 6 題（30%）。但在準確性和可靠性方面，ChatGPT 只有 6 題（30%）同時符合，Gemini 8 題（40%），Bing 3 題（15%）。可讀性方面，ChatGPT 得分最低（29），顯示其可讀性差。研究指出，這些模型的回答常常不準確、不可靠或難以閱讀。 PubMed DOI

Interactive computer-aided diagnosis on medical image using large language models.
使用大型語言模型的醫學影像互動電腦輔助診斷。 Commun Eng 2024-09-16

這項研究提出了一種新方法，結合大型語言模型（LLMs）與電腦輔助診斷（CAD）網絡，提升胸部X光片的醫學影像分析。雖然LLMs在自然語言處理上表現優異，但在醫學影像上通常不佳。這個框架利用LLMs的優勢，改善CAD系統的診斷準確性和報告生成，讓報告品質更高。使用ChatGPT後，診斷表現提升了16.42個百分點，GPT-3則在F1-score上提高了15.00個百分點。這種創新方法有潛力改變臨床決策過程，並改善病患互動。 PubMed DOI

LKAN: LLM-Based Knowledge-Aware Attention Network for Clinical Staging of Liver Cancer.
LKAN：基於大型語言模型的知識感知注意力網絡在肝癌臨床分期中的應用。 IEEE J Biomed Health Inform 2024-10-11

這篇文章介紹了一種名為知識感知注意力網絡（LKAN）的新技術，專門用於肝癌的臨床分期，這對於診斷和治療原發性肝癌非常重要。現有的分期系統依賴醫生解讀放射學報告，但面臨類別不平衡、專業術語處理困難及報告冗長等挑戰。LKAN結合大型語言模型和規則算法，增強數據多樣性，並在未標記的肝癌報告上進行預訓練，改善學習效果。結果顯示，LKAN的準確率達90.3%，表現優於基準模型，且代碼已在GitHub上公開。 PubMed DOI

Application of NotebookLM, a large language model with retrieval-augmented generation, for lung cancer staging.
NotebookLM 在肺癌分期中的應用：一種具有檢索增強生成的大型語言模型。 Jpn J Radiol 2024-11-25

這項研究評估了NotebookLM這款檢索增強生成大型語言模型（RAG-LLM）在肺癌分期中的有效性。透過整合日本肺癌分期指引的可靠外部知識，NotebookLM在100個虛構案例中達到86%的診斷準確率，表現優於金標準的GPT-4 Omni，後者在提供外部知識時準確率僅39%。NotebookLM在定位參考資料方面也表現出色，準確率高達95%。研究顯示，NotebookLM在臨床影像診斷中具備更高的可靠性與實用性，特別是在放射學領域。 PubMed DOI

Assessing Large Language Models for Oncology Data Inference From Radiology Reports.
評估大型語言模型在放射學報告中對腫瘤學數據推斷的能力。 JCO Clin Cancer Inform 2024-12-11

這項研究評估了專有與開放的大型語言模型（LLMs）在分析胰臟癌放射學報告的有效性，重點在於疾病的存在、位置及治療反應。研究分析了203份去識別化的報告，使用了GPT-4、GPT-3.5-turbo及開放模型如Gemma-7B和Llama3-8B。結果顯示，GPT-4在確定疾病狀態上準確率最高，達75.5%。開放模型在某些方面表現不如專有模型，但仍具潛力，特別是在專有模型無法使用時。這項研究為未來腫瘤學領域的LLM研究提供了重要資源。 PubMed DOI

Using Large Language Models for Efficient Cancer Registry Coding in the Real Hospital Setting: A Feasibility Study.
在實際醫院環境中使用大型語言模型進行高效癌症登記編碼：可行性研究。 Pac Symp Biocomput 2024-12-13

癌症案例報告的主要挑戰在於手動審查大量報告的繁瑣過程。目前的做法多依賴基於規則的系統或自訂的監督學習模型來預測診斷代碼。雖然這些方法有潛力，但在實際應用中可能受到偏見影響。我們針對肺癌進行的可行性研究中，開發了一個檢索增強生成（RAG）系統，利用大型語言模型（LLMs）進行癌症登記編碼。結果顯示，未微調的LLMs也能有效運作，且透過提示工程可顯著提升表現，為癌症登記員提供了提高效率與準確性的有力工具。 PubMed DOI

Feasibility of large language models for CEUS LI-RADS categorization of small liver nodules in patients at risk for hepatocellular carcinoma.
大型語言模型在高風險肝細胞癌患者小肝結節的CEUS LI-RADS分類的可行性。 Front Oncol 2025-01-02

這項研究探討大型語言模型（LLMs）與對比增強超聲肝臟影像報告系統（CEUS LI-RADS）結合，對高風險患者診斷小型肝細胞癌（sHCC）的效果。研究涵蓋403名未治療的高風險患者，評估的LLMs包括ChatGPT-4.0等。結果顯示，ChatGPT-4.0在CEUS LI-RADS分類上表現優於其他模型，且在檢測sHCC的敏感性上也優於ChatGPT-4o。整體而言，研究建議ChatGPT-4.0結合CEUS LI-RADS，可能成為診斷sHCC的有效工具。 PubMed DOI

A generalist medical language model for disease diagnosis assistance.
一個通用醫學語言模型用於疾病診斷輔助。 Nat Med 2025-01-08

準確的診斷對醫療保健至關重要，因為它是適時治療的基礎。雖然大型語言模型（LLMs）在學習上表現出色，但在臨床診斷的有效性仍需驗證。我們推出了MedFound，這是一個擁有1760億參數的醫療語言模型，經過大量醫療文本和臨床記錄的預訓練。透過自我引導和思維鏈方法，我們提升了其診斷推理能力。實驗結果顯示，MedFound在多種情境下表現優於其他模型，並能有效輔助醫生進行疾病診斷。 PubMed DOI

LLM-based kidney disease diagnostic framework for Pathologists.
基於 LLM 的腎臟疾病診斷框架供病理學家使用。 Annu Int Conf IEEE Eng Med Biol Soc 2025-03-05

大型語言模型正在改變醫療領域，特別是在臨床決策支持和資訊提取方面。這些模型的語言理解能力幫助病理學家從知識庫中檢索準確資訊以進行診斷。我們提出了一個框架，結合檢索增強生成技術與提示工程，並提供了涵蓋腎臟疾病的臨床數據語料庫。透過多樣的提示技術，模型在疾病診斷的表現顯著提升，特別是在上下文相關性上獲得完美的1.0分，顯示出優秀的對話對齊能力。 PubMed DOI

Utilizing large language models for gastroenterology research: a conceptual framework.
利用大型語言模型進行胃腸病學研究：一個概念框架。 Therap Adv Gastroenterol 2025-04-02

大型語言模型（LLMs）在醫療保健，特別是胃腸科，展現出提升臨床決策、研究及病人管理的潛力。為了安全有效地應用這些模型，必須解決偏見、幻覺及法規遵循等挑戰。本文提出一個結構化框架，針對C型肝炎治療進行案例研究，涵蓋臨床目標定義、多學科團隊組建、數據準備、模型選擇與微調等步驟。此外，還強調遵循HIPAA和GDPR等法規，以確保負責任的AI應用。未來研究應聚焦於多機構驗證及AI輔助的臨床試驗。 PubMed DOI

原始文章

站上相關主題文章列表